Analisi bibliometrica - I docenti del DMIF

logo

Introduzione

Che cosa è la bibliometria?

La bibliometria è una disciplina che utilizza analisi quantitative e statistiche per analizzare le pubblicazioni scientifiche e le loro relazioni.

Il progetto si focalizza sull’analisi della produzione scientifica dei docenti del dipartimento DMIF dell’Università degli Studi di Udine, per cercare di dare una stima di:

  • come collaborano gli autori

  • quali sono i settori di maggiore interesse

  • gli autori più prolifici.

Per supporto all’analisi è stata utilizzata una libreria, Bibliometrix (Aria and Cuccurullo 2017), sviluppata da due docenti dell’Università di Napoli.

Fonte dei dati

I dati analizzati in questo progetto sono stati scaricati (ultimo download: 15/07/2024) da Scopus, uno dei principali dabatase bibliografici. E’ stata selezionata la sotto area “computer science” e successivamente sono stati selezionati 31 autori del DMIF, tra docenti e dottorandi.

Ogni articolo del dataframe contiene svariati attributi tra cui: la lista di autori, il titolo del documento, la sorgente di pubblicazione, il tipo di documento, le parole chiavi degli autori, le references, il numero di citazioni e l’anno di pubblicazione.

Analisi bibliometrica

Analisi descrittiva del dataframe

La tabella delle informazioni principali descrive le dimensioni della raccolta in termini di numero di documenti, numero di autori, numero di fonti, numero di parole chiave, durata e numero medio di citazioni.

  • “docs per autori” è calcolato come rapporto tra il numero totale di autori e il numero totale di articoli.

  • “co-autori per articolo” è calcolato come numero medio di co-autori per articolo.



MAIN INFORMATION ABOUT DATA

 Timespan                              1987 : 2024 
 Sources (Journals, Books, etc)        394 
 Documents                             1279 
 Annual Growth Rate %                  10.17 
 Document Average Age                  10.7 
 Average citations per doc             13.94 
 Average citations per year per doc    1.25 
 References                            29749 
 
DOCUMENT CONTENTS
 Keywords Plus (ID)                    6360 
 Author's Keywords (DE)                2017 
 
AUTHORS
 Authors                               1027 
 Author Appearances                    4349 
 Authors of single-authored docs       17 
 
AUTHORS COLLABORATION
 Single-authored docs                  77 
 Documents per Author                  1.25 
 Co-Authors per Doc                    3.4 
 International co-authorships %        32.53 
 

Annual Scientific Production

 Year    Articles
    1987        1
    1988        1
    1989        1
    1990        1
    1991        3
    1993        4
    1994        5
    1995       12
    1996        7
    1997       10
    1998       11
    1999        9
    2000       15
    2001       17
    2002       25
    2003       23
    2004       44
    2005       29
    2006       35
    2007       49
    2008       54
    2009       60
    2010       46
    2011       44
    2012       40
    2013       32
    2014       50
    2015       58
    2016       55
    2017       60
    2018       85
    2019       59
    2020       73
    2021       62
    2022       76
    2023       87
    2024       36

Annual Percentage Growth Rate 10.17 


Most Productive Authors

   Authors        Articles Authors        Articles Fractionalized
1    MONTANARI A       200  CHITTARO L                       78.6
2    CHITTARO L        164  MONTANARI A                      58.6
3    MIZZARO S         131  MIZZARO S                        41.1
4    DOVIER A          119  POLICRITI A                      40.3
5    POLICRITI A       111  DOVIER A                         40.0
6    MICULAN M          84  MICULAN M                        37.9
7    PIAZZA C           84  PIAZZA C                         27.4
8    FORESTI GL         59  LANCIA G                         26.1
9    PICIARELLI C       59  FRANCESCHET M                    22.3
10   FONTANA F          57  BRAJNIK G                        21.2


Top manuscripts per citations

                                        Paper                                    DOI  TC TCperYear   NTC
1  CORNIA M, 2018, IEEE TRANS IMAGE PROCESS            10.1109/TIP.2018.2851672      410     58.57 26.48
2  BUTTUSSI F, 2018, IEEE TRANS VISUAL COMPUT GRAPHICS 10.1109/TVCG.2017.2653117     309     44.14 19.96
3  CHITTARO L, 2007, COMPUT EDUC                       10.1016/j.compedu.2005.06.002 297     16.50 12.03
4  CHITTARO L, 2015, IEEE TRANS VISUAL COMPUT GRAPHICS 10.1109/TVCG.2015.2391853     265     26.50 15.88
5  NADALIN F, 2012, BMC BIOINFORM                      10.1186/1471-2105-13-S14-S8   250     19.23 13.66
6  CHITTARO L, 2006, COMPUTER                          10.1109/MC.2006.109           250     13.16  7.68
7  PICIARELLI C, 2006, PATTERN RECOGN LETT             10.1016/j.patrec.2006.02.004  222     11.68  6.82
8  JENSEN CS, 1998, LECT NOTES COMPUT SCI              10.1007/bfb0053710            220      8.15  4.51
9  FRANCESCHET M, 2010, J INF                          10.1016/j.joi.2010.06.003     185     12.33  6.44
10 FRANCESCHET M, 2010, SCIENTOMETRICS                 10.1007/s11192-009-0021-2     177     11.80  6.16


Corresponding Author's Countries

          Country Articles    Freq SCP MCP MCP_Ratio
1  ITALY               652 0.88227 518 134     0.206
2  SWITZERLAND          12 0.01624   0  12     1.000
3  UNITED KINGDOM       11 0.01488   0  11     1.000
4  USA                   9 0.01218   0   9     1.000
5  SPAIN                 8 0.01083   0   8     1.000
6  DENMARK               7 0.00947   0   7     1.000
7  FRANCE                6 0.00812   0   6     1.000
8  MEXICO                5 0.00677   0   5     1.000
9  NETHERLANDS           5 0.00677   0   5     1.000
10 FINLAND               3 0.00406   0   3     1.000


SCP: Single Country Publications

MCP: Multiple Country Publications


Total Citations per Country

     Country      Total Citations Average Article Citations
1  ITALY                    11155                     17.11
2  DENMARK                    227                     32.43
3  USA                        209                     23.22
4  UNITED KINGDOM             200                     18.18
5  SPAIN                      123                     15.38
6  FRANCE                      94                     15.67
7  MEXICO                      81                     16.20
8  NETHERLANDS                 69                     13.80
9  CYPRUS                      65                     32.50
10 SOUTH AFRICA                65                     65.00


Most Relevant Sources

                                                                                                                         Sources       
1  LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS)
2  CEUR WORKSHOP PROCEEDINGS                                                                                                           
3  THEORETICAL COMPUTER SCIENCE                                                                                                        
4  LEIBNIZ INTERNATIONAL PROCEEDINGS IN INFORMATICS LIPICS                                                                             
5  ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES                                                                                      
6  ELECTRONIC PROCEEDINGS IN THEORETICAL COMPUTER SCIENCE EPTCS                                                                        
7  ELECTRONIC NOTES IN THEORETICAL COMPUTER SCIENCE                                                                                    
8  EURO ADVANCED TUTORIALS ON OPERATIONAL RESEARCH                                                                                     
9  INFORMATION AND COMPUTATION                                                                                                         
10 INTERNATIONAL JOURNAL OF HUMAN COMPUTER STUDIES                                                                                     
   Articles
1       249
2       118
3        33
4        29
5        26
6        25
7        24
8        16
9        15
10       15


Most Relevant Keywords

   Author Keywords (DE)      Articles         Keywords-Plus (ID)     Articles
1    EVALUATION                    31 COMPUTER CIRCUITS                   125
2    MODEL CHECKING                26 SEMANTICS                           103
3    VIRTUAL REALITY               25 TEMPORAL LOGIC                      100
4    MOBILE DEVICES                24 LOGIC PROGRAMMING                    97
5    INTERVAL TEMPORAL LOGIC       22 ARTIFICIAL INTELLIGENCE              92
6    DEEP LEARNING                 21 INFORMATION RETRIEVAL                72
7    CROWDSOURCING                 19 AUTOMATA THEORY                      68
8    COMPLEXITY                    18 INTERVAL TEMPORAL LOGIC              68
9    MACHINE LEARNING              16 ALGORITHMS                           64
10   BISIMULATION                  15 COMPUTABILITY AND DECIDABILITY       61

Autore più produttivo: Prof. Montanari con 200 articoli.

Anno più produttivo: 2023 con 87 pubblicazioni, segue 2021 con 85 pubblicazioni.

Documenti per tipo

Tipo di pubblicazione più presente: conference paper, seguito da articoli e capitoli di libro.

Analisi dei riferimenti citati

E’ possibile analizzare la frequenza dei riferimenti/primi autori più citati nel dataset in analisi.

Papers citati più frequentemente:

                                                                                                                                                                                                                         [,1]
MOSZKOWSKI B., REASONING ABOUT DIGITAL CIRCUITS, (1983)                                                                                                                                                                    36
ALLEN J.F., MAINTAINING KNOWLEDGE ABOUT TEMPORAL INTERVALS, COMMUNICATIONS OF THE ACM, 26, 11, PP. 832-843, (1983)                                                                                                         32
BRESOLIN D., GORANKO V., MONTANARI A., SCIAVICCO G., PROPOSITIONAL INTERVAL NEIGHBORHOOD LOGICS: EXPRESSIVENESS, DECIDABILITY, AND UNDECIDABLE EXTENSIONS, ANNALS OF PURE AND APPLIED LOGIC, 161, 3, PP. 289-304, (2009)   25
VENEMA Y., A MODAL LOGIC FOR CHOPPING INTERVALS, JOURNAL OF LOGIC AND COMPUTATION, 1, 4, PP. 453-476, (1991)                                                                                                               25
HALPERN J., SHOHAM Y., A PROPOSITIONAL MODAL LOGIC OF TIME INTERVALS, JOURNAL OF THE ACM, 38, 4, PP. 935-962, (1991)                                                                                                       23
VENEMA Y., EXPRESSIVENESS AND COMPLETENESS OF AN INTERVAL TENSE LOGIC, NOTRE DAME JOURNAL OF FORMAL LOGIC, 31, 4, PP. 529-547, (1990)                                                                                      23
HALPERN J.Y., SHOHAM Y., A PROPOSITIONAL MODAL LOGIC OF TIME INTERVALS, JOURNAL OF THE ACM, 38, 4, PP. 935-962, (1991)                                                                                                     21
HILLSTON J., A COMPOSITIONAL APPROACH TO PERFORMANCE MODELLING, (1996)                                                                                                                                                     19
ALLEN J.F., MAINTAINING KNOWLEDGE ABOUT TEMPORAL INTERVALS, COMMUN. ACM, 26, 11, PP. 832-843, (1983)                                                                                                                       17
BRESOLIN D., MONTANARI A., SCIAVICCO G., AN OPTIMAL DECISION PROCEDURE FOR RIGHT PROPOSITIONAL NEIGHBORHOOD LOGIC, JOURNAL OF AUTOMATED REASONING, 38, 1-3, PP. 173-199, (2007)                                            16

Si noti che 2 articoli del Professor Montanari sono tra i più citati.

Primi autori citati più frequentemente:

            [,1]
MONTANARI A 1120
ET AL       1063
SCIAVICCO G  449
DOVIER A     409
MIZZARO S    407
POLICRITI A  381
SALA P       380
CHITTARO L   365
PONTELLI E   348
BRESOLIN D   345
GORANKO V    292
MICULAN M    285
PIAZZA C     271

E’ possibile notare che gli autori più frequentemente citati sono i Professori Montanari, Dovier, Mizzaro e Policriti.

H-index degli autori

L’h-index è una metrica a livello di autore che cerca di misurare sia la produttività che l’impatto citazionale delle pubblicazioni.

L’indice si basa sull’insieme degli articoli più citati dello scienziato e sul numero di citazioni ricevute in altre pubblicazioni. L’indice è strutturato per quantificare mediante un singolo indice numerico non solo la produzione, ma anche l’influenza di uno scienziato, distinguendolo da chi ha pubblicato molti articoli ma di scarso interesse.

Quindi, uno scienziato ha un indice n se almeno n lavori tra quelli che ha pubblicato sono stati citati almeno n volte ciascuno.

L’i10-index consiste nel numero di pubblicazioni di uno stesso autore con almeno 10 citazioni.

H-index dei primi 10 autori più produttivi (in questa raccolta):

        Element h_index i10_index   TC  NP PY_start
1    CHITTARO L      39        93 4886 164     1991
2   MONTANARI A      23        63 2144 200     1993
3     MIZZARO S      20        40 1453 131     1997
4   POLICRITI A      19        43 1608 111     1990
5      DOVIER A      18        38 1212 119     1998
6  PICIARELLI C      17        25  961  59     2005
7     MICULAN M      16        26  709  84     1994
8      PIAZZA C      16        23  894  84     2000
9    FORESTI GL      15        23  874  59     2005
10    FONTANA F       9         8  262  57     2010

Gli autori con l’H-index più alto sono i Prof. Chittaro (39), Prof. Montanari (23) e Prof. Mizzaro (20).

Matrici di rete bibliografica

Gli attributi dei paper sono collegati tra loro attraverso il paper stesso: autore/i alla rivista, parole chiave alla data di pubblicazione, ecc. Alcune delle analisi descrittive viste in precedenza si possono visualizzare attraverso reti bipartite.

Reti bipartite

Queste connessioni di diversi attributi generano reti bipartite che possono essere rappresentate come matrici rettangolari (Papers x Attributi).

Rete Paper x Fonte di pubblicazione:

L’oggetto è una matrice binaria rettangolare che rappresenta una rete bipartita in cui le righe e le colonne sono, in questo caso, rispettivamente papers e fonti.

L’elemento generico \(bip_{ij}\) è 1 se il paper \(i\) è stato pubblicato nella fonte \(j\), 0 altrimenti.

La somma della colonna \(j\)-esima \(bip_j\) rappresenta il numero di papers pubblicati nella fonte \(j\).

Fonti di pubblicazione più rilevanti:

LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS) 
                                                                                                                                 249 
                                                                                                           CEUR WORKSHOP PROCEEDINGS 
                                                                                                                                 118 
                                                                                                        THEORETICAL COMPUTER SCIENCE 
                                                                                                                                  33 
                                                                            LEIBNIZ INTERNATIONAL PROCEEDINGS IN INFORMATICS, LIPICS 
                                                                                                                                  29 
                                                                                      ACM INTERNATIONAL CONFERENCE PROCEEDING SERIES 
                                                                                                                                  26 

Rete degli autori: Paper x Autore, conta quanti articoli fatti da autori.

MONTANARI A  CHITTARO L   MIZZARO S    DOVIER A POLICRITI A 
        200         164         131         119         111 

Accoppiamento bibliografico - autori

Le pubblicazioni scientifiche contengono riferimenti ad altri lavori scientifici. Questo genera un’altra rete, quella delle reti di accoppiamento o co-citazioni.

Due autori sono accoppiati bibliograficamente se almeno una fonte citata compare nelle loro pubblicazioni.

Rete di accoppiamento: \[B = A\cdot A^T\] dove A è una rete bipartita (Papers x Citazioni). Due autori sono collegati da un arco nella rete se citano insieme uno o più documenti.

L’elemento \(b_{i,j}\) indica quanti accoppiamenti bibliografici esistono tra \(i\) e \(j\). La forza dell’accoppiamento di due autori, \(i\) e \(j\), è definita dal numero di riferimenti che gli autori hanno in comune.

L’accoppiamento bibliografico tra autori è una misura di quanto due autori condividono riferimenti comuni nelle loro pubblicazioni. In altre parole, quanti autori citano gli stessi lavori nelle loro ricerche.

(Per comodità nella computazione e visualizzazione, vengono utilizzati soltanto i 40 nodi con il grado più alto).

Analisi della rete - clusters

I nodi più centrali del primo cluster risultano essere il Professor Montanari ed il Professor Chittaro. Il primo ha i valori più alti nella centralità di grado, di autovettore e closeness, mentre il secondo nella centralità di betweenness e pagerank. 1.

Nel secondo cluster, invece, il nodo più centrale secondo tutte le metriche risulta essere il Professor Mizzaro.

       vertex cluster degree_centrality btw_centrality clos_centrality eigen_centrality pagerank_centrality
1 montanari a       1         0.8205128       50.66624      0.02173913        1.0000000          0.04472932
2  chittaro l       1         0.7435897      102.69631      0.02040816        0.8674449          0.04536477
3   mizzaro s       2         0.5384615       24.79454      0.01754386        0.5714251          0.03199075

Numero di nodi: 1027

Densità: 0.9491095, indica una rete densa, altamente collegata.

Transitività: 0.3441892, indica una rete poco clusterizzata.

Lunghezza media dei percorsi 2.8929558 e diametro 5: molto brevi, rete compatta e ben collegata.

Utilizzando la libreria poweRlaw (Gillespie 2015), è possibile controllare se la distribuzione dei gradi segue una distribuzione power-law, attraverso un test di bonta dell’adattamento.

I pallini indicano la distribuzione dei gradi mentre la linea rossa indica la power-law adattata ai dati.

Il p-value di 0.34 indica che i dati sono compatibili con la distribuzione power-law, con pochi nodi altamente connessi (hub) e molti nodi con poche connessioni.

Collaborazione autori

La rete di collaborazione scientifica è una rete in cui i nodi sono gli autori e i legami sono le coautorialità in articoli, in quanto quest’ultima è una delle forme più documentate di collaborazione scientifica (Glanzel, 2004).

Due autori sono collegati nella rete se hanno collaborato insieme in un articolo.

Una rete di collaborazione tra autori può essere ottenuta utilizzando la formulazione generale: \[AC=A^T \cdot A\] dove A è una rete bipartita Papers x Autori.

L’elemento diagonale \(ac_i\) è il numero di papers di cui il ricercatore \(i\) è autore o coautore.

(Per comodità nella computazione e visualizzazione, vengono utilizzati soltanto i 30 nodi con il grado più alto).

Analisi della rete

Sono presenti 4 clusters ed in ognuno di essi è presente almeno un nodo con dei valori alti di centralità, il che indica un ruolo di connessione e influenza all’interno del cluster.

  • cluster 1: Prof. Chittaro e Prof. Serra

  • cluster 2: Prof. Policriti e Prof. Dovier

  • cluster 3: Prof. Montanari

  • cluster 4: Prof. Mizzaro e Prof. Della Mea

       vertex cluster degree_centrality btw_centrality clos_centrality eigen_centrality pagerank_centrality
1  chittaro l       1         0.2068966      104.09370      0.01724138        0.5445844          0.04010246
2     serra g       1         0.2758621       81.82570      0.01587302        0.6961796          0.04862541
3    dovier a       2         0.1724138       12.95908      0.01298701        0.5048830          0.03419016
4 policriti a       2         0.3103448       63.05026      0.01408451        0.7569098          0.06050805
5 montanari a       3         0.3793103      149.73739      0.01785714        1.0000000          0.06829667
6   mizzaro s       4         0.2758621       26.05287      0.01315789        0.6376023          0.04851419
7 della mea v       4         0.1724138        6.20936      0.01176471        0.3820190          0.03215018

Numero di nodi: 1027

Densità: 0.0235566, indica una rete molto sparsa, poco collegata.

Transitività: 0.5462783, indica una rete moderatamente clusterizzata.

Lunghezza media dei percorsi 3.7641742 e diametro 7: brevi, rete compatta e collegata.

Anche per questa rete viene utilizzata la libreria poweRlaw per controllare se la distribuzione dei gradi segue una distribuzione power-law.

I pallini indicano la distribuzione dei gradi mentre la linea rossa indica la power-law adattata ai dati.

Il p-value di 0.08 indica che i dati sono abbastanza compatibili con la distribuzione power-law.

Power measure

          Author PowerPercentage
6      MICULAN M       13.824084
5    POLICRITI A        9.242846
4       DOVIER A        6.816099
2     CHITTARO L        6.669387
1    MONTANARI A        6.471173
3      MIZZARO S        5.859651
19     BRAJNIK G        3.817711
60  PERESSOTTI M        3.615529
7       PIAZZA C        3.580627
12      LANCIA G        2.596333
22 FRANCESCHET M        2.564615
27      MIROLO C        2.314060
21       RANON R        2.263985
58  D'AGOSTINO G        1.965212
70   ROMANELLO R        1.789940

Analizzando la misura di potenza, la quale afferma che un nodo è potente se è connesso a nodi non potenti, si ricava che i nodi più potenti all’interno della rete delle collaborazioni sono il Prof. Miculan (13.8% del potere totale) e il Prof. Policriti (9.2% del potere totale).

Analisi parole chiave

Rete parole chiave

Rete Bipartita: Papers x Keyword Scopus

Ogni paper ha associate delle parole chiave dal database di Scopus.

Word cloud

Dai dati della rete bipartita è possibile creare un dataframe con le frequenze delle parole, da cui si può ricavare una word cloud.

Le tre parole più presenti sono Computer Circuits (125), Semantics (101) e Temporal Logic (99).

Rete co-occorrenze parole chiave

La rete di co-occorrenza è una rete in cui i nodi rappresentano le parole chiave utilizzate negli articoli e gli archi sono la co-occorrenza in articoli.

Due parole chiave sono collegate nella rete se appaiono insieme in almeno un articolo.

Una rete di co-occorrenza delle parole chiave può essere ottenuta utilizzando la formulazione generale: \(KC = K^T \cdot K\) dove \(K\) è una rete bipartita Papers x parole chiave.

L’elemento diagonale \(k_{ci}\) rappresenta il numero di articoli in cui la parola chiave \(i\) è stata utilizzata.

(Per comodità nella computazione e visualizzazione, vengono utilizzati soltanto i 45 nodi con il grado più alto).

Ci sono 4 cluster di parole chiave:

  • nel primo cluster, la parola “mobile devices” ha centralità di grado, betweenness e closeness più alte mentre “information retrieval” ha i valori più alti nelle centralità di autovettore e pagerank.

  • nel secondo, le parole con le varie misure di centralità più alte sono: “artificial intelligence” per la centralità di grado più alta, “database systems” per quella di betweenness, “computational linguistics” per quella di closeness e “computer circuits” per quelle di autovettore e pagerank.

  • nel terzo, “algorithms” è la parola con centralità di grado, autovettore e pagerank più alto; “bioinformatics” ha la centralità di betweenness più alta e “computer simulation” la centralità di closeness.

  • nel quarto, la parola “human” ha i valori più alti in tutte le misure di centralità.

                      vertex cluster degree_centrality btw_centrality clos_centrality eigen_centrality
1      information retrieval       1         0.5454545      22.480131      0.01190476       0.05645923
2             mobile devices       1         0.5454545      79.568142      0.01408451       0.03100927
3          computer circuits       2         0.5227273       2.518658      0.01041667       1.00000000
4    artificial intelligence       2         0.8863636      17.083121      0.01176471       0.39692293
5           database systems       2         0.5909091      62.434647      0.01282051       0.09603311
6  computational linguistics       2         0.5681818      45.572387      0.01333333       0.10426122
7                 algorithms       3         0.8181818      22.039369      0.01265823       0.20966749
8        computer simulation       3         0.7272727      50.912948      0.01333333       0.11655939
9             bioinformatics       3         0.5227273      51.068628      0.01282051       0.08991068
10                     human       4         0.4318182       3.705549      0.01123596       0.03075350
   pagerank_centrality
1           0.02275138
2           0.01933765
3           0.05455215
4           0.03571810
5           0.01448729
6           0.01264181
7           0.03448162
8           0.02182851
9           0.01255215
10          0.03097107

Numero di nodi: 6360

Densità: 0.0055696, indica una rete molto sparsa, poco collegata.

Transitività: 0.2283555, indica una rete poco clusterizzata.

Lunghezza media dei percorsi 2.9679872 e diametro 5: molto breve, rete compatta e ben collegata.

Anche per questa rete è stata utilizzata la libreria poweRlaw per controllare se la distribuzione dei gradi segue una distribuzione power-law.

I pallini indicano la distribuzione dei gradi mentre la linea rossa indica la power-law adattata ai dati.

Il p-value di 0.48 indica che i dati sono compatibili con la distribuzione power-law.

Mappa tematica

L’analisi di co-occorrenza delle parole chiave genera cluster tematici, la cui densità e centralità permettono di classificarli e mapparli in un diagramma bidimensionale, creando una mappa tematica.

Essa consente di analizzare i temi in base al quadrante in cui sono collocati:

  1. quadrante in alto a sinistra: temi molto specializzati/di nicchia (cluster molto denso e poco centrale);

  2. quadrante in alto a destra: temi motori (cluster molto denso e molto centrale);

  3. quadrante in basso a sinistra: temi emergenti o in via di estinzione (cluster poco denso e poco centrale);

  4. quadrante in basso a destra: temi di base (cluster poco denso ma molto centrale).

Ad esempio, il cluster in cui spicca la parola “algorithms” è nel quadrante dei temi di base, mentre “crowdsourcing” si trova nel quadrante dei temi emergenti o in declino. Il cluster con “finite element method” si trova nel quadrante dei temi di nicchia.

Conclusione

L’analisi della produzione scientifica ha evidenziato diversi aspetti importanti, soprattutto attraverso l’analisi delle varie reti.

La rete di accoppiamento bibliografico tra autori ha mostrato come gli autori del dipartimento siano collegati tra loro attraverso le citazioni comuni in una struttura altamente connessa e compatta.

La rete di collaborazione tra autori ha rivelato la presenza di quattro cluster di collaborazione, con figure chiave che collegano e influenzano ciascun gruppo. Nonostante la bassa densità della rete, indicativa di poche collaborazioni, i gruppi sono relativamente uniti.

La rete di co-occorrenza delle parole chiave ha messo in luce le principali aree di ricerca del dipartimento e le connessioni tematiche tra di esse, formando quattro cluster principali. Le connessioni sono poche ma importanti, con parole chiave centrali che dominano all’interno dei loro cluster.

Inoltre, tutte le reti analizzate hanno la proprietà di piccolo mondo, con dei valori bassi di diametro e lunghezza media dei cammini e le tre distribuzioni di grado analizzate sono compatibili con una distribuzione dei gradi power-law.

In conclusione, si può affermare che all’interno del dipartimento operano gruppi di ricerca che si distinguono per una notevole produttività scientifica, la quale si traduce in un significativo apporto alla letteratura di settore. Pur focalizzandosi su ambiti di ricerca differenti, i gruppi collaborano attivamente tra loro, favorendo lo scambio di conoscenze e competenze.

References

Aria, Massimo, and Corrado Cuccurullo. 2017. “Bibliometrix: An r-Tool for Comprehensive Science Mapping Analysis.” Journal of Informetrics 11 (4): 959–75. https://doi.org/10.1016/j.joi.2017.08.007.
Gillespie, Colin S. 2015. “Fitting Heavy Tailed Distributions: The poweRlaw Package.” Journal of Statistical Software 64 (2): 1–16. https://doi.org/10.18637/jss.v064.i02.

  1. Tutte le nozioni viste a lezione sono utilizzate ma non ri-definite.↩︎